O uso do sensoriamento remoto para mitigação de riscos no sistema financeiro : uma aplicação para controle e acompanhamento de produção agrícola

Abstract

A globalização e o avanço tecnológico têm provocado mudanças na forma de atuação das Organizações. No cenário competitivo empresarial, em que a informação é primordial para a tomada de decisões estratégicas, é imprescindível o uso de ferramentas que permitam a gestão eficiente dos dados. Neste contexto, as geotecnologias têm contribuído para o monitoramento contínuo e ágil da realidade junto à sociedade. O Banco Central (BACEN), através da Resolução nº 4427 de 25 de Junho de 2015, publicou uma recomendação para que Bancos e Instituições Financeiras, passíveis de operações de crédito rural, fizessem uso do Sensoriamento Remoto (SR) para contratação e fiscalização das operações de crédito agrícola. Neste cenário, a proposta deste trabalho foi propor um método por meio de uma ferramenta open source, para controle e acompanhamento de produção agrícola, sendo capaz de realizar a detecção multitemporal de mudanças no comportamento de áreas agriculturáveis, para atuar na mitigação de riscos, visando atender o BACEN. Foram definidas dez áreas testes com plantios em diferentes regiões, onde o modelo foi aplicado em imagens Nano Satélite Planet gerando 98 classificações para 27 cenas, no período de 2017 a 2019. Foi desenvolvida uma ferramenta em linguagem Python, denominada LimiariZC, onde foi proposto um método para detectar alterações nos padrões das áreas agrícolas, emitindo mensagens em casos de desvio de comportamento. Foram desenvolvidos os modelos de Picos e Vales (PV), de Índice de Vegetação da Diferença Normalizada (NDVI) e de Diferença de Bandas (DB). A ferramenta proposta emite mensagens individualizadas para cada um dos modelos, sendo de alerta quando detectado entre as cenas alterações de comportamento com perda de vegetação e de aviso quando detectado crescimento vegetacional. Se mais de dois terços dos modelos emitirem alertas, é emitido um alerta geral na ferramenta com base na validação cruzada, indicando a necessidade de fiscalização em campo. Para o modelo de PV, com limiarização multinível, o alerta é emitido com base nos picos, vales e na análise de tendência estatística entre as cenas, onde foi implementado um refinamento Orientado a Objetos pelo descritor de Escala e aplicação de Filtro de Convolução Média Passa Baixa. A partir dos limiares detectados foram geradas classificações limiarizadas, sendo extraídos índices de concordância para todas as classificações, onde os valores medianos obtidos foram de Kappa 0,95, Tau 0,95, Acurácia Global (A.G.) 97,29%, além de índices de Discordância Global de Alocação 0,56% e de Quantidade 0,42%. Para os modelos de NDVI e DB, os alertas são disparados mediante o quantitativo de anomalias negativas na imagem resultante da diferença sazonal entre as cenas, conforme limiar máximo tolerável de mudanças personalizado pelo usuário. Para o modelo de delta NDVI e delta DB NIR, a partir das classificações de anomalias, foram extraídos índices de concordância, onde os valores medianos foram respectivamente de Kappa 0,81 e 0,77, Tau 0,85 e 0,82, A.G. 90,01% e 88,03% e Discordância Global por Alocação (0,25% e 0%) e Quantidade (8,77% e 9,59%). Para os modelos foram realizados testes de hipótese Z, tendo sido obtidos resultados com acurácia significativa. Com base nos valores médios e medianos dos índices, o modelo de PV foi considerado o melhor dos modelos desenvolvidos. As emissões de alertas/avisos foram analisadas e validadas por interpretação visual por meio das chaves de interpretação, analisando se de fato deveriam ou não ter sido emitidos, sendo os resultados assertivos em todos os testes. Por fim, com o conjunto de resultados, foi possível aferir a qualidade dos modelos e verificar a viabilidade do objetivo proposto do uso do SR para mitigar riscos no Sistema Financeiro, monitorando produções agrícolas sem necessariamente haver visitas in loco. Assim, concluiu-se que os modelos são assertivos, sendo possível ser operacionalizados.